CN1284111C - 移动计算环境下分布式的人脸检测与识别方法 - Google Patents

Abstract

本发明涉及模式识别技术领域的移动计算环境下分布式的人脸识别方法，包括步骤：从移动设备上的摄像头获得图像，对图像进行简单有效的光线矫正；采用快速人脸检测算法进行人脸检测和标定，将标定后的人脸区域进行水印嵌入；通过无线网络将嵌入水印的人脸区域图像传输到人脸识别服务器；最后，在服务器上通过水印验证该区域图像的真/伪，然后进行人脸识别，并将识别结果传输到移动端。

Description

移动计算环境下分布式的人脸检测与识别方法

技术领域

本发明涉及模式识别技术领域，特别涉及结合人脸检测与识别技术、光线处理技术和无线通讯技术的分布式移动计算环境下人脸检测与识别方法。

背景技术

近年来，无线网络技术呈现出爆炸式的发展势头。随着网络技术的发展，无线网络越来越影响到人们的日常生活。无线网络带宽的扩大以及网络可靠性的提高使得人们对于无线网络中智能多媒体的应用需求也变得日益强烈。这些应用包括：

●人脸识别

●表情分析

●基于内容的视频播放

●无线交互式游戏

●通缉犯和犯罪嫌疑人鉴别等等

其中人脸检测与识别技术是这些应用的一种必不可少的支撑技术。

所谓人脸检测就是在多媒体数据(如图像、视频等数字信号)中检测出人脸的位置、大小、个数及方向；人脸识别则是将人脸检测所得到的结果进行识别，以判断所检测出的脸像属于哪个人。

目前已有的人脸检测和识别技术都是基于台式机甚至是工作站的运行环境，无法满足人们在手持移动计算环境中应用的需求。相对于桌面系统来说，手持移动计算环境具有一些特殊的运行条件，这包括：

●计算能力弱

●电能及数据存储空间有限

●使用环境的光线变化大

●不同用户有不同的使用习惯等等

由于移动计算环境的光照情况多变，为了提高人脸检测与识别的鲁棒性，进行光线处理是必不可少的一个环节。光线处理技术可以处理在各种不同光照条件下捕获的图片，尽量减少光照变化对人脸检测与识别的影响。

由于光线处理和人脸检测与识别都是大运算量的工作，因此，必须优化光线处理和人脸检测与识别的算法，减少运算量，并将人脸识别部分放在服务端进行，以减轻手持设备的运算与存储负担，这对小型移动设备来说是非常关键的。

发明内容

本发明的目的是提供一种在无线网络环境下，基于分布式系统的人脸检测与识别方法。本系统在手持设备上实时地、鲁棒地进行人脸检测，然后将检测出的人脸图像进行数字水印加密后通过无线网络发送到服务端，在服务端进行人脸识别并返回识别结果。

为实现上述目的，这种分布式移动环境下的人脸检测与识别步骤包括：

1、检测标定：将手持设备(掌上电脑、手机或PDA)捕获的图像进行光线预处理并进行人脸检测和人脸范围标定；

2、加密传输：将标定出的人脸范围进行数字水印加密后通过无线网络发送到服务端。服务端对图像中嵌入的数字水印进行验证，判断图像的完整性与正确性；

3、识别并返回结果：采用基于嵌入式隐马尔可夫模型Hidden MarkovModels(HMM)的人脸识别训练算法进行人脸识别并将结果返回给手持设备。

从摄像头获得视频数据，利用像素的均值和方差对视频数据进行光线矫正；从图像中检测出人脸的大小、位置；将水印嵌入到检测到的人脸区域里；然后通过无线网络将人脸区域图像传输到服务器，服务器根据水印对该图像进行真/伪验证；最后进行识别，并将识别结果传输到移动端。

附图说明

图1是本发明的移动计算环境下分布式的人脸检测与识别方法总体框架图；

图2是本发明的移动计算环境下分布式的人脸检测与识别方法的流程图；

图3是本发明的移动计算环境下分布式的人脸检测与识别方法的训练流程图。

具体实施方式

图1的过程如下：

·人脸检测过程

(1)获取帧图像：通过手持设备上的摄像头C将图像捕获进来。因为我们要对每一帧进行处理，所以要从视频流中，将图像逐帧提取出来。

(2)光线处理：由于光线对人脸检测和识别有着巨大的影响，这包括不同角度、不同强度以及阴影的影响。同时，由于移动设备的计算能力较弱，不能采用复杂的光线模型。在这里采用像素值的均值和方差来矫正光线对图像每一个像素点的影响，即将每个像素点的像素值减去均值，除以方差，然后乘以一个系数。经过上述处理，从而尽可能地消除光线对人脸像素值的影响。

(3)进行人脸检测：对经过光线处理后的图像进行人脸检测。

(4)标定检测区域：图像经过检测模块之后，我们将得到人脸部分的坐标、大小。通过这些坐标标定出人脸区域。

·加密传输过程

(1)嵌入数字水印：由于无线传输通路的安全性和可靠性相比有线网络要差，所以我们必须保证传输数据的完整性和正确性。这将通过在图片中嵌入数字水印来实现。同时为了提高传输速度，我们处理的对象只是图像中的人脸区域。这个区域是上一个过程中经过人脸检测提取出来的。将检测到的人脸区域快速嵌入整数小波水印，以便在服务器端进行该区域图像真/伪验证。

(2)无线传输：嵌入水印的人脸区域图像通过无线网络传输到服务器端。此处的无线通路可以是无线局域网，也可以是GPRS网络。

(3)分布计算过程：由于后台有多台识别服务器进行数据处理，所以协调好手持终端与服务器之间的沟通是很重要的。我们在手持终端与识别服务器之间加入代理服务器，此代理服务器是一台运行着专用调度软件的计算机，该调度软件的具体步骤在图2中进行了说明。代理服务器就像是一个总指挥，将众多手持终端发来的请求重定向到不同的服务器上，这样可以减少数据等待被处理的时间。所有服务器上的人脸数据库都是一致的，在人脸注册阶段，所有数据库也都是同步更新的。如图2所示，处理过程如下：

a)代理服务器接收到处理请求后寻找处于空闲状态的人脸识别服务器，人脸识别服务器是一台运行着人脸识别程序的计算机，该程序的具体步骤在图2中进行了说明。如果没有服务器处于空闲状态则进行排队等待，否则将接收到的处理请求发送给处于空闲状态的服务器，同时将该服务器标记为繁忙状态；

b)人脸识别服务器对图像中嵌入的数字水印进行验证，如果发现数据遭到更改或破坏，就通知手持终端重新发送数据，同时通知代理服务器自己处于空闲状态；

c)人脸识别服务器将未被破坏的数据处理完之后将识别结果返回给手持终端并发送消息给代理服务器，告诉代理服务器自己处于空闲状态。

·人脸识别

1)基于嵌入式隐马尔可夫模型的人脸识别训练算法。在进行人脸识别之前，要先进行注册，并对注册的人脸图像进行训练，以便后面的识别。本发明中采用的是分析人脸内部各部位的比例关系来识别人脸。因此，在训练阶段采用隐马尔可夫模型来训练。但人脸像素数据非常庞大，如果直接用隐马尔可夫模型训练，会导致模型过大，以至无法进行识别。本发明中采用嵌入式隐马尔可夫模型，将人脸分额头、眼睛、鼻子、嘴、下巴等五个状态，而每个状态又是一条隐马尔可夫链。训练的时候将五个大状态之间的隐马尔可夫参数训练出来，并且将每个状态内部的隐马尔可夫模型训练出来。这样每个人脸就得到一个嵌入式的隐马尔可夫模型。

2)基于嵌入式隐马尔可夫模型的人脸识别。根据人脸检测获得的图像，用维特比算法，求出在各种嵌入式隐马尔可夫模型条件下，出现捕获到图像的各种概率。概率最大的那个模型就是捕获到的人脸的最有可能的模型。而每个模型对应一个人。这样就可以识别出人脸图像所对应的人。

图2中，移动计算环境下分布式的人脸检测与识别方法，其处理步骤如下：

S2-1代理服务器接收到处理请求后寻找处于空闲状态的人脸识别服务器，

S2-2如果没有服务器空闲则转到S2-3，否则转到S2-4，

S2-3进行排队等待，并返回S2-2继续寻找处于空闲状态的人脸识别服务器，

S2-4将接收到的处理请求发送给处于空闲状态的服务器，同时将该服务器标记为繁忙状态，

S2-5人脸识别服务器对图像中嵌入的数字水印进行验证，如果发现数据遭到更改或破坏，就转到S2-6，否则转到S2-7，

S2-6通知手持终端重新发送数据，然后转到S2-9，

S2-7进行人脸识别，

S2-8将识别结果发送到手机终端，

S2-9发送消息给代理服务器，通知代理服务器自己处于空闲状态。

图3中，移动计算环境下分布式的人脸检测与识别方法，其训练步骤如下：

S3-1建立HMM模型，

S3-2将人脸图像均匀分割，得到初始化的人脸HMM模型参数，

S3-3初始化观察序列参数、观察向量和状态转移矩阵等HMM参数，

S3-4采用嵌入式的Viterbi分割方法进行参数调整，

S3-5通过分段计算平均值K来估计模型参数，

S3-6判断模型的迭代是否收敛，如果不收敛则转到S3-4继续进行参数调整。如果收敛则转到S3-7，

S3-7经过迭代收敛之后，就得到了训练好的HMM模型。

用检测到的人脸区域在无线网络环境进行传输，解决了两个问题：

一、在移动设备上进行多类问题分类的计算量大问题；

二、在无线网络环境中很难实时传输大图像到服务器端。

Claims (7)

1、一种移动计算环境下分布式的人脸检测与识别方法，包括步骤：

检测标定：手持设备捕获的图像进行光线预处理并进行人脸检测和人脸范围标定；

加密传输：将标定出的人脸范围进行数字水印加密后通过无线网络发送到服务端，服务端对图像中嵌入的数字水印进行验证，判断图像的完整性与正确性；

识别并返回结果：采用基于嵌入式隐马尔可夫模型的人脸识别训练算法进行人脸识别并将结果返回给手持设备。

2、根据权利要求1所述的移动计算环境下分布式的人脸检测与识别方法，其特征在于，

所述检测标定步骤具体包括：手持设备从摄像头获得视频数据，利用像素的均值和方差对视频数据进行光线矫正，从图像中检测出人脸的大小、位置；

所述加密传输步骤具体包括：手持设备将水印嵌入到检测到的人脸区域里，然后通过无线网络将人脸区域图像传输到服务器，服务器根据水印对接收的人脸区域图像进行真/伪验证；

所述识别并返回结果步骤具体包括：服务器对人脸区域图像进行识别，并将识别结果传输到手持设备。

3、根据权利要求1所述的移动计算环境下分布式的人脸检测与识别方法，其特征在于，检测标定步骤中所述手持设备进行光线预处理进一步包括：

手持设备采用像素的均值和方差来进行光线矫正。

4、根据权利要求1所述的移动计算环境下分布式的人脸检测与识别方法，其特征在于，加密传输步骤中所述将标定出的人脸范围进行数字水印加密包括：

将检测到的人脸区域快速嵌入整数小波水印。

5、根据权利要求1所述的移动计算环境下分布式的人脸检测与识别方法，其特征在于，识别并返回结果步骤中所述采用基于嵌入式隐马尔可夫模型的人脸识别训练算法进行人脸识别包括：

在人脸识别训练中采用嵌入式隐马尔可夫模型，分析人脸各个部位的比例关系。

6、根据权利要求1所述的移动计算环境下分布式的人脸检测与识别方法，其特征在于，识别并返回结果步骤中所述进行人脸识别的具体步骤包括：

S2-1代理服务器接收到处理请求后寻找处于空闲状态的人脸识别服务器；

S2-2如果没有服务器空闲，则转到S2-3；否则，转到S2-4；

S2-3进行排队等待，并返回S2-2，继续寻找处于空闲状态的人脸识别服务器；

S2-4将接收到的处理请求发送给处于空闲状态的服务器，同时将该服务器标记为繁忙状态；

S2-5人脸识别服务器对图像中嵌入的数字水印进行验证，如果发现数据遭到更改或破坏，则转到S2-6；否则，转到S2-7；

S2-6通知手持终端重新发送数据，然后转到S2-9；

S2-7进行人脸识别；

S2-8将识别结果发送到手机终端；

S2-9发送消息给代理服务器，通知代理服务器自己处于空闲状态。

7、根据权利要求1所述的移动计算环境下分布式的人脸检测与识别方法，其特征在于，识别并返回结果步骤中所述进行人脸识别之前进一步包括对人脸图像进行注册，并对注册的人脸图像进行训练，所述训练过程具体包括：

S3-1建立HMM模型；

S3-2将人脸图像均匀分割，得到初始化的人脸HMM模型参数；

S3-3初始化观察序列参数、观察向量和状态转移矩阵HMM参数；

S3-4采用嵌入式的Viterbi分割方法进行参数调整；

S3-5通过分段计算平均值K来估计模型参数；

S3-6判断模型的迭代是否收敛，如果不收敛则转到S3-4继续进行参数调整，如果收敛则转到S3-7；

S3-7经过迭代收敛之后，就得到了训练好的HMM模型。

Images